使用BeautifulSoup提取不在标记之间的文本

Question

我正在通过刮imdb.com练习BeautifulSoup，对于一个给定的演员，我想

1. 获取他们作为演员主演的所有电影的列表
2. 过滤我们的所有非长篇电影，如电视剧、短片、纪录片等

到目前为止，对于所有的电影，我都能得到类似以下汤的东西：

<div class="filmo-row even" id="actor-tt14677742">
    <span class="year_column">2021</span>
    <b><a href="/title/tt14677742/">Welcome Back Future</a></b>
     (Short)
    <br/>
     Leo
</div>

正如我们所看到的，这部电影应该被过滤掉，因为它很短。我们还可以看到关于(Short)的信息没有包装在任何标记中。
因此，我的问题是：
我如何从汤中获取这些信息，如果有任何信息，我如何在</b>之后查找这些信息？

Answer 1

顺便说一句，我不知道你在找什么。但根据评论和其他答案

下面应该实现你的目标

from bs4 import BeautifulSoup


html = '''<div class="filmo-row even" id="actor-tt14677742">
    <span class="year_column">2021</span>
    <b><a href="/title/tt14677742/">Welcome Back Future</a></b>
     (Short)
    <br/>
     Leo
</div>'''


soup = BeautifulSoup(html, 'lxml')
print(list(soup.select_one('.filmo-row').stripped_strings))

输出：

['2021', 'Welcome Back Future', '(Short)', 'Leo']

Answer 2

我对bs4了解不多，但不知怎么的，我在寻找next_sibling，这就解决了我的问题

所以我这样做：

category = movie_soup.find_all('b')[0].next_sibling
if 'TV' in category or 'Short' in category or 'Series' in category or 'Video' in category or 'Documentary' in category:
    return None, None

如果我发现我不需要的电影，因为它属于我不需要的类别之一，我会返回None，None。我知道这不是最好的代码风格，但它对我很有用

Answer 3

您可以使用以下选项：

from bs4 import BeautifulSoup as bs

HTML="""<div class="filmo-row even" id="actor-tt14677742">
    <span class="year_column">2021</span>
    <b><a href="/title/tt14677742/">Welcome Back Future</a></b>
     (Short)
    <br/>
     Leo
</div>
"""

soup=bs(HTML,"lxml")

print(soup.find("div").find_all(text=True,recursive=False))
# ['\n', '\n', '\n     (Short)\n    ', '\n     Leo\n']

# If you use html5lib as parse then answer is a bit different:
soup=bs(HTML,"html5lib")
print(soup.find("div").find_all(text=True,recursive=False))
# ['\n    ', '\n    ', '\n     (Short)\n    ', '\n     Leo\n']

# If you want all of the text from div then try this:
print(soup.find("div").find_all(text=True,recursive=True))
# ['\n', '2021', '\n', 'Welcome Back Future', '\n     (Short)\n    ', '\n     Leo\n']
# Or simply use
print(soup.find("div").text)
"""
2021
Welcome Back Future
     (Short)

     Leo

"""

我想你现在可以把它清理干净了，我相信会得到他们作为演员主演的所有电影的名单意味着你还需要Leo